Por qu separar la componente de

Tendencia?

Para visualizar la direccin que toma la serie a largo

plazo, para visualizar el crecimiento decrecimiento de la
serie de tiempo a largo plazo.
2. Para poder detectar las componentes que se dan en
perodos ms cortos de tiempo, como la estacionalidad
Variacin estacional

La tendencia se puede determina en forma directa a

partir de los datos originales, mientras que el
componente estacional se determina eliminando los otros
componentes.

2. Mientras que la tendencia se determina mediante una

ecuacin o lnea de mejor ajuste, se debe calcular un
valor estacional por separado para cada mes, trimestre,
etc. por lo regular en la forma de un nmero ndice.
Cmo calcular los ndices estacionales?

Cuando no cambia el patrn estacional

1. Promedio de los valores de los perodos correspondientes
2. Relacin de 2 promedios mviles de 12 meses

Cuando cambia el patrn estacional

1. Promedio de los valores de los perodos correspondientes
2. Relacin de 2 promedios mviles de 12 meses
Formula

Se calculan los factores estacionales para la estacin i.

donde MMC
t=media mvil centrada ,
=
Y ,
t=dato original serie t

Un factor estacional mayor que 1 denota un perodo en el

que Y es mayor que el promedio anual, mientras que lo
opuesto es cierto si el factor estacional es menor que 1
El ndice estacional i se calcula con los
factores
estacionales de la siguiente forma
, = ,
Dende: FE, Promedio factores estacionales
Para la estacin
Y
FE Promedio factores estacionales
globales
Cmo interpretar los ndices de
estacionalidad?

El ndice de estacionalidad mide en que grado, el

promedio de una estacin en particular se encuentra
con respecto a la media.
Un ndice estacional de 1,00 para un mes en
particular, indica que el valor esperado para ese mes
es el promedio general de los doce meses del ao.
Un ndice estacional de 1.25 indica que el valor
esperado de ese mes en particular es 25% mayor
que el promedio general. Un ndice estacional de .80
indica que el valor esperado para ese mes en
particular es 20% menor que el promedio general.
Desventajas de Ajustar la serie a la
componente estaciona

Pueden existir casos en los que la componente

estacional presenten races unitarias estacionales, es
decir, que resulta complejo modelarlas.
Extraer de la serie que presenta races unitarias
estacionales, el componente de estacionalidad por
medio del ndice estacional pudo haber inducido
correlaciones que originalmente no existen en la
serie original.
Los datos desestacionalizados exhiben
subestimaciones de la varianza hasta en un 20%
Historia de los Modelos Box-Jenkins

A comienzos de los aos 70, G.E.P. Box, profesor de

Estadstica de la Universidad de Winsconsin y G.M.
Jenkins, profesor de Ingeniera de Sistemas de la
Universidad de Lancaster, introdujeron unan pequea
revolucin en el enfoque del anlisis de series de
tiempo, en sus trabajos sobre el comportamiento de
la contaminacin en la baha de San Francisco, con
el propsito de establecer mejores mecanismos de
pronstico y control.
A estos nuevos modelos de series de tiempo, se les
llamo Modelos Box-Jenkins ARIMA (Auto
regresivos e Integrados de medias mviles).
Etapas en el Modelo Box-Jenkins

1. Identificacin: Se trata de elegir uno o varios

modelos ARIMA como posibles candidatos para
explicar el comportamiento de la serie.
2. Estimacin: Se realiza la estimacin de los
parmetros de los modelos seleccionados
 3. Diagnstico: Se comprueba la adecuacin de cada
uno de los modelos estimados y se determina cul
es el ms idneo.
4. Prediccin: Si el modelo elegido es satisfactorio se
realizan las predicciones de la variable
Por qu es importante que la Serie sea
estacionaria en los Modelos BoxJenkins

Por medio del grfico de serie de tiempo, existe

tendencia? la varianza es cte?
Por medio de la funcin de autocorrelacin, se tiene
estacionalidad? las autocorrelaciones tienden a
desvanecer rpidamente en forma exponencial
conforme aumenta el retraso?En caso de que la
serie original tenga tendencia lineal, las
autocorrelaciones decrecen rpidamente en forma
lineal conforme aumenta el retraso de las
observaciones?.
Son ests todas las transformaciones
que pueden convertir una serie en
estacionaria?
o, existen ms transformaciones. Entre las ms
comnes estn las siguientes:
Cambio porcentual
logaritmo
Diferencias de logaritmos
Primeras diferencias
Segundas diferencias
Diferencia estacional
Segundas diferencias estacionaleS
Serie de tiempo de demanda

Qu transformacin hacer en este caso para que la serie de

la demanda se convierta en estacionaria
Serie de tiempo de las tasas de inters
bancaria

Qu transformacin recomiendas realizar para que la

serie se convierta en estacionaria?
Por qu es indispensable la etapa de
Diagnstico?

Es indispensable saber si el modelo es adecuado,

pues de no serlo llevara a pronsticos poco
confiables.
La validacin del modelo consiste en lo siguiente:
Verificar que los residuos cumplan con los supuestos
de normalidad, media centrada en cero, no
correlacionados, varianza constant
Factores a Considerar al seleccionar una
tcnica de Pronstico

Horizonte de tiempo. Se requiere a corto,

mediano largo plazo?
Disponibilidad de los datos. Existen o no datos
disponibles de perodos de tiempo anteriores?
Precisin requerida. Alta, media baja?
Costo del pronstico y presupuesto para el
mismo. Se tiene el suficiente dinero para cubrir
los costos?
Pasos en la realizacin de un
Pronstico
Recoleccin de los datos
2. Reduccin condensacin de datos
3. Construccin y evaluacin del modelo
4. Extrapolacin del modelo (el pronstico real)
5. Evaluacin del pronstico